图像和行为识别的开放域适应性
本文提出了一种新的域自适应方法，当目标域可以被描述为参数化向量且存在几个相关源域在同一参数空间内时，它无需访问目标域的数据或标签，大大降低了数据收集和注释的负担，并显示出一些有前途的结果。
Jul, 2015
我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架，以自动检测目标数据中出现的新类别并将其丢弃，从而在开放域适应中显著优于现有技术。
May, 2018
该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影(SLPP)技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。
Mar, 2019
本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。
Jul, 2019
在没有使用带标签源数据集的情况下，提出了一种新颖的领域适配范式，其中源培训模型被用于实现适应。该方法包括一种知识继承度量方法，以及一种可实现适应的继承模型选择方法。在视觉识别任务中进行综合实验评估，取得了最先进的开放域适配性能。
Apr, 2020
本文提出了一种用于处理源领域和目标领域中可能存在未知类别的自己集成（Self-Ensembling）方法，称为具有类别不可知聚类（Category-agnostic Clusters）的SE-CC模型，该模型利用聚类信息提供了与目标领域特定的视觉提示，方便了对于开集和闭集领域自适应的泛化。
Jun, 2020
该研究提出一种新的自监督学习方法，通过旋转识别任务来解决开放集领域适应中的已知/未知样本分离及其性能评估问题，并在Office-31和Office-Home基准测试中表现出较好的性能和可重复性。
Jul, 2020
该论文提出了一种基于类条件极值理论和对抗学习的视频行为识别域自适应方法，旨在解决标注数据昂贵和多数视频领域自适应算法仅适用于封闭集情景的问题。该方法在小规模和大规模跨域视频数据集上均取得了最先进的性能。
Sep, 2021
本文提出了一种逐步的伪标记方法来实现源自由的开放域适应，并引入了平衡伪标记（BP-L）策略来加强模型的分类扩展性和预测校准性能，在基准图像分类和动作识别数据集上验证了所提出方法能有效提升模型性能。
Feb, 2022
视频领域适应的对象化（但类别不可知）视频领域适应（ODAPT）框架通过利用目标领域中一组稀疏的具有类别不可知对象注释的帧来适应现有的动作识别系统，为新领域的适应提供了一种简单而有效的方法。
Nov, 2023